{"id":"996d8804-bfd2-47f6-96db-463155d7ba4e","shortId":"x7bsRX","kind":"skill","title":"ai-native-audit-release","tagline":"'AI Native 产品方法论——审计放行阶段的实操 Skill。","description":"# AI Native 审计放行 Skill\n\n## 使用场景\n\n- 系统构建已完成，需要判断能否进入生产环境\n- 需要建立审计放行的证据链和决策机制\n- 需要设计 Shadow System 验证系统在真实环境中的表现\n\n## 核心概念\n\n- **审计放行（Audit）**：把能力、风险、证据和放行条件压缩到同一套判断机制中的阶段\n- **go / no-go**：是否允许系统进入真实执行链路的组织级决定\n- **放行边界**：允许自动执行的范围、必须人工接管的范围和必须禁用的范围\n- **证据链**：从设计、评估、Shadow 到运行准备的连续证据，而不是单点结果\n\n## 审计放行流程\n\n```\n设计证据\n  → 评估证据\n    → Shadow 证据\n      → 放行边界判断\n        → go / no-go\n          → 生产要求下发\n```\n\n如果没有连续证据链，审计放行就会退化成主观印象或形式化审批。\n\n## 第一步：设计证据\n\n系统设计是否清晰地定义了：\n\n- 能力范围：系统能做什么、不能做什么\n- 失败模式：已知的失败类型和处理策略\n- 边界条件：什么情况下必须回退或交还给人\n- 治理机制：如何监控、如何审计、如何回滚\n\n## 第二步：评估证据\n\n评估结果是否充分：\n\n- 能力评估：样本测试、边界测试、长尾测试\n- 安全评估：权限边界、数据保护、渗透测试\n- 性能评估：延迟、吞吐、成本、稳定性\n\n## 第三步：Shadow 证据\n\nShadow System 是审计放行的关键机制：\n\n- 系统在真实环境中运行，但不直接影响用户\n- 同时收集系统输出和人工处理结果进行对比\n- 证明系统在真实数据上的表现\n\nShadow 的价值在于：它让系统在不影响用户的情况下接触真实世界。\n\n## 第四步：放行边界判断\n\n明确三个区域：\n\n### 自动执行区\n- 系统可以独立完成的任务\n- 失败后果可控、可回退\n- 已经过充分验证\n\n### 人工接管区\n- 高风险任务\n- 涉及敏感操作\n- 系统信心度不足的场景\n\n### 禁用区\n- 超出系统能力范围的任务\n- 未经验证的新场景\n- 涉及合规或安全红线的操作\n\n## 第五步：go / no-go 决策\n\n### go 条件\n\n- 连续证据链完整\n- 放行边界清晰\n- 回退机制可靠\n- 监控体系就绪\n- 团队准备就绪\n\n### no-go 情况\n\n- 证据链中断\n- 边界不清晰\n- 回退机制不可靠\n- 监控体系缺失\n- 团队未就绪\n\n## 审计放行要审的六类问题\n\n1. **可靠性**：回答是否稳定，任务是否真的完成，是否存在幻觉、错误归因或不一致输出\n2. **安全与权限**：是否可能泄露敏感信息，是否存在越权读取、越权调用、Prompt 注入、工具滥用\n3. **执行边界**：哪些动作允许自动执行，哪些必须审批，哪些高风险动作要彻底禁用\n4. **成本与性能**：延迟、令牌消耗、工具链长度、重试策略是否可控，流量放大后是否失稳\n5. **可追溯性**：是否能复盘输入、上下文、模型版本、工具调用、人工接管、最终结果\n6. **合规与治理**：角色责任是否清晰，审计记录是否保留，异常处理是否有明确流程\n\n## 输出物：放行方案\n\n1. **证据链汇总**：设计、评估、Shadow 的证据摘要\n2. **放行边界图**：自动执行区、人工接管区、禁用区\n3. **go/no-go 决策**：明确的放行或拒绝决定\n4. **生产要求**：上线后必须持续监控的指标、阈值、应急预案\n5. **回滚方案**：如果出现问题如何快速回滚\n\n## 使用方式\n\n当用户提供系统构建方案时，自动执行：\n\n1. 收集设计证据\n2. 收集评估证据\n3. 设计 Shadow 方案并收集 Shadow 证据\n4. 定义放行边界\n5. 执行六类审计检查\n6. 做出 go/no-go 决策\n7. 如果 go，下发生产要求和回滚方案\n8. 输出放行方案\n\n## 示例\n\n### 示例：AIOps 系统审计放行\n\n**场景描述**：\nAIOps 故障分诊系统已完成构建，需要审计是否可进入生产环境。\n\n**用户输入**：\n\"我们的 AIOps 系统已开发完成，准备上线，需要进行审计放行\"\n\n**Skill 执行流程**：\n\n1. **设计证据收集**\n\n| 检查项 | 状态 | 证据 |\n|--------|------|------|\n| 能力范围定义 | ✅ | 明确只做分诊建议，不做自动处置 |\n| 失败模式 | ✅ | 已定义5类失败及回退策略 |\n| 边界条件 | ✅ | 置信度<70%时必须人工确认 |\n| 治理机制 | ✅ | 日志审计、监控告警、回滚方案 |\n\n2. **评估证据收集**\n\n| 评估类型 | 结果 | 是否满足 |\n|----------|------|----------|\n| 能力评估 | 日志解释88%，告警聚类82%，案例召回75% | ✅ 满足 |\n| 安全评估 | 无越权调用，数据已脱敏 | ✅ 通过 |\n| 性能评估 | P95延迟<2s，支持100并发 | ✅ 通过 |\n| 边界测试 | 20个边界案例，18个正确处理 | ✅ 达标 |\n\n3. **Shadow 证据收集**\n\n```yaml\nShadow 方案:\n  运行周期: 2周\n  数据量: 50次真实故障\n  \n对比结果:\n  系统建议采纳率: 55%\n  辅助参考价值率: 80%\n  错误归因数: 2次（均被工程师识别，未造成误判）\n  平均定位时间:\n    - 纯人工: 45分钟\n    - 系统辅助: 25分钟\n    \n关键发现:\n  - 系统在\"看什么\"上表现好\n  - 系统在\"怎么做\"上仍需人工判断\n  - 高约束设计有效避免了错误放大\n```\n\n4. **放行边界定义**\n\n| 区域 | 范围 | 控制措施 |\n|------|------|----------|\n| 自动执行区 | 无 | 系统不执行任何自动动作 |\n| 人工接管区 | 全部输出 | 所有建议需工程师确认 |\n| 禁用区 | 自动修复、自动重启 | 明确禁止的功能 |\n\n5. **六类审计检查**\n\n| 审计项 | 检查结果 | 风险等级 |\n|--------|----------|----------|\n| 可靠性 | 幻觉率<5%，无错误归因 | 低 |\n| 安全与权限 | 无越权，已脱敏 | 低 |\n| 执行边界 | 明确只做建议 | 低 |\n| 成本与性能 | 单次调用<$0.01 | 低 |\n| 可追溯性 | 全链路审计日志 | 低 |\n| 合规与治理 | 责任清晰，流程明确 | 低 |\n\n6. **go/no-go 决策**\n\n```yaml\n决策: GO（条件放行）\n\n放行条件:\n  - 仅限值班辅助场景\n  - 所有输出必须有\"供参考\"标识\n  - 不得用于无人值守场景\n  \n上线后监控:\n  - 采纳率是否维持>50%\n  - 是否有未识别的错误归因\n  - 是否有工程师绕过确认直接执行\n  \n应急预案:\n  - 发现严重问题可5分钟内关闭AI建议\n  - 回退到纯人工分诊流程\n```\n\n**输出结果**：\n\n```yaml\n# 放行方案：AIOps 故障分诊系统\n\n证据链汇总:\n  设计证据: ✅ 完整\n  评估证据: ✅ 通过\n  Shadow证据: ✅ 2周运行，采纳率55%\n\n放行边界:\n  自动执行区: 无（仅建议模式）\n  人工接管区: 全部输出\n  禁用区: [自动修复, 自动重启, 自动切流]\n\ngo/no-go决策: ✅ GO - 条件放行\n\n生产要求:\n  必须监控指标:\n    - 采纳率: >50%\n    - 误判率: <5%\n    - 响应时间: P95<2s\n    \n  必须保留记录:\n    - 每次故障的输入+输出\n    - 工程师采纳/拒绝行为\n    - 最终人工处理结果\n    \n  定期审计:\n    - 每周审查误判案例\n    - 每月评估是否需调整边界\n    \n回滚方案:\n  触发条件:\n    - 误判导致生产事故\n    - 采纳率持续低于40%\n    - 安全漏洞\n    \n  回滚步骤:\n    1. 关闭AI建议开关（5分钟内）\n    2. 通知值班团队\n    3. 启动根因分析\n    4. 修复后重新走审计流程\n\n风险提示:\n  - 当前系统适用于\"辅助判断\"，不适用于\"自动处置\"\n  - 工程师需培训：理解AI建议的局限性\n  - 建立快速上报通道：异常建议及时反馈\n```\n\n---\n\n### 示例2：金融风控反欺诈系统审计放行\n\n**场景描述**：\n金融风控反欺诈系统已完成构建，需审计决定是否可投入生产环境进行实时交易风险评估。\n\n**用户输入**：\n\"我们的AI反欺诈系统准备好了，需要审计放行\"\n\n**Skill 执行流程**：\n\n1. **设计证据收集**\n\n| 检查项 | 状态 | 证据 |\n|--------|------|------|\n| 能力范围定义 | ✅ | 仅限风险评分（0-100），不做拦截决策 |\n| 失败模式 | ✅ | 定义误杀、漏杀、特征漂移三类失败 |\n| 边界条件 | ✅ | 高风险交易（>80分）必须人工复核 |\n| 治理机制 | ✅ | 模型监控、特征监控、审批流 |\n\n2. **评估证据收集**\n\n| 评估类型 | 结果 | 是否满足 |\n|----------|------|----------|\n| 能力评估 | 欺诈识别率 92%，误报率 8% | ✅ 达标 |\n| 安全评估 | 模型防攻击测试通过 | ✅ 通过 |\n| 性能评估 | P99延迟 <50ms，支持10万TPS | ✅ 满足 |\n| 公平性评估 | 各群体FPR差异 <2% | ✅ 通过 |\n\n3. **Shadow 证据收集**\n\n```yaml\nShadow 方案:\n  运行周期: 4周\n  数据量: 500万笔真实交易\n  \n对比结果:\n  系统评分与人工规则对比:\n    - 一致性: 87%\n    - 系统识别新增风险: 3.2%（人工规则未覆盖）\n    - 误报增量: +1.5%（可接受范围）\n  \n  业务指标:\n    - 欺诈损失率: 从0.15%降至0.08%\n    - 误杀投诉: 日均12起（可接受）\n    - 高风险交易人工复核率: 18%\n```\n\n4. **放行边界定义**\n\n| 区域 | 范围 | 控制措施 |\n|------|------|----------|\n| 自动执行区 | 风险评分计算、低风险标记 | 无需人工干预 |\n| 人工接管区 | 高风险交易(>80分) | 必须人工复核 |\n| 禁用区 | 直接拦截、冻结账户 | 系统无权执行 |\n\n5. **六类审计检查**\n\n| 审计项 | 检查结果 | 风险等级 |\n|--------|----------|----------|\n| 可靠性 | OOD检测、置信度校准到位 | 低 |\n| 安全与权限 | 模型防投毒、特征防泄露 | 低 |\n| 执行边界 | 评分与决策分离 | 低 |\n| 成本与性能 | 单次评分<$0.001，延迟可控 | 低 |\n| 可追溯性 | 每笔交易评分原因可查 | 低 |\n| 合规与治理 | 符合金融监管要求 | 中 |\n\n6. **合规特殊审查（金融场景）**\n\n| 合规项 | 检查结果 |\n|--------|----------|\n| 模型可解释性 | ✅ 提供Top5特征贡献 |\n| 公平性审计 | ✅ 各 demographics FPR差异<2% |\n| 人工复核机制 | ✅ 高风险100%人工复核 |\n| 误杀申诉 | ✅ 建立快速申诉通道 |\n| 数据隐私 | ✅ 符合GDPR/个人信息保护法 |\n\n7. **go/no-go 决策**\n\n```yaml\n决策: GO（条件放行）\n\n放行条件:\n  - 风险评分仅作辅助参考\n  - 所有拦截决策必须人工确认\n  - 建立实时监控系统\n  \n上线后监控:\n  - 欺诈识别率维持>90%\n  - 误报率维持<10%\n  - 特征漂移监控\n  - 公平性指标持续监控\n  \n应急预案:\n  - 模型异常时切换规则引擎（30秒内）\n  - 误杀激增时启动白名单机制\n```\n\n**输出结果**：\n\n```yaml\n# 放行方案：金融风控反欺诈系统\n\n证据链汇总:\n  设计证据: ✅ 完整，评分与决策分离\n  评估证据: ✅ 通过，92%识别率/8%误报\n  Shadow证据: ✅ 4周运行，业务指标正向\n  合规矩阵: ✅ 全部通过\n\n放行边界:\n  自动执行区: [风险评分计算, 特征工程, 低风险标记]\n  人工接管区: 高风险交易(>80分)\n  禁用区: [直接拦截, 冻结账户, 自动拒绝]\n\ngo/no-go决策: ✅ GO - 条件放行\n\n生产要求:\n  实时监控:\n    - 欺诈识别率: >90%\n    - 误报率: <10%\n    - P99延迟: <50ms\n    - 特征漂移: 每日检测\n    - 公平性: 每周审计\n    \n  人工复核:\n    - 高风险交易(>80分): 100%复核\n    - 中风险交易(60-80分): 抽样复核10%\n    - 建立复核SOP和时效要求\n    \n  可解释性:\n    - 每笔评分附带Top5特征\n    - 提供自然语言解释\n    - 客服可查评分依据\n\n回滚方案:\n  触发条件:\n    - 误杀率超过15%\n    - 模型预测分布异常\n    - 监管合规问题\n    \n  回滚步骤:\n    1. 切换至备用规则引擎(30秒)\n    2. 通知风控团队\n    3. 冻结模型自动更新\n    4. 启动根因分析\n\n特别说明:\n  - 反欺诈是持续对抗，需定期模型更新\n  - 建立黑产情报联动机制\n  - 误杀投诉处理时效: 4小时内响应\n```\n\n---\n\n### 示例3：医疗辅助诊断系统审计放行\n\n**场景描述**：\n医院AI辅助诊断系统已完成开发，需审计决定是否可投入临床辅助使用。\n\n**用户输入**：\n\"我们的AI影像诊断辅助系统需要审计放行\"\n\n**Skill 执行流程**：\n\n1. **设计证据收集**\n\n| 检查项 | 状态 | 证据 |\n|--------|------|------|\n| 能力范围定义 | ✅ | 仅作\"第二意见\"参考，非诊断结论 |\n| 失败模式 | ✅ | 定义漏诊、误诊、置信度不足三类 |\n| 边界条件 | ✅ | 置信度<85%时必须医生确认 |\n| 治理机制 | ✅ | 临床审计、质控流程、责任界定 |\n\n2. **评估证据收集**\n\n| 评估类型 | 结果 | 是否满足 |\n|----------|------|----------|\n| 能力评估 | 病灶识别AUC 0.94，敏感度 91% | ✅ 达标 |\n| 安全评估 | 通过医疗器械软件安全测试 | ✅ 通过 |\n| 性能评估 | P95延迟 <3s，并发50 | ✅ 满足 |\n| 鲁棒性 | 不同设备/参数下稳定性>95% | ✅ 通过 |\n\n3. **Shadow 证据收集**\n\n```yaml\nShadow 方案:\n  运行周期: 8周\n  数据量: 2000例真实患者影像\n  \n对比结果:\n  与专家诊断对比:\n    - 一致性: 89%\n    - 系统发现专家遗漏: 4.2%（经复核确认）\n    - 专家发现系统遗漏: 2.8%\n  \n  临床价值:\n    - 阅片时间: 从15分钟降至10分钟\n    - 医生满意度: 82%\n    - 无重大误诊事故\n```\n\n4. **医疗合规特殊审查**\n\n| 合规项 | 检查结果 |\n|--------|----------|\n| 医疗器械注册 | ✅ 通过二类医疗器械认证 |\n| 临床验证 | ✅ 完成多中心临床试验 |\n| 医生培训 | ✅ 参与科室医生100%培训 |\n| 知情同意 | ✅ 患者知情同意流程到位 |\n| 责任界定 | ✅ 明确AI辅助，诊断责任归医生 |\n\n5. **放行边界定义**\n\n| 区域 | 范围 | 控制措施 |\n|------|------|----------|\n| 自动执行区 | 影像预处理、病灶标记辅助 | 仅处理 |\n| 人工接管区 | 所有诊断输出 | 医生100%确认 |\n| 禁用区 | 独立诊断、治疗方案建议 | 系统永远不输出 |\n\n6. **六类审计检查**\n\n| 审计项 | 检查结果 | 风险等级 |\n|--------|----------|----------|\n| 可靠性 | 鲁棒性验证通过，临床数据支持 | 中 |\n| 安全与权限 | 数据隐私、访问控制到位 | 低 |\n| 执行边界 | 仅辅助，不替代医生 | 中 |\n| 成本与性能 | 单次<$0.05，延迟可接受 | 低 |\n| 可追溯性 | 病例、影像、输出全记录 | 低 |\n| 合规与治理 | 医疗器械认证、临床准入 | 中 |\n\n7. **go/no-go 决策**\n\n```yaml\n决策: GO（严格条件放行）\n\n放行条件（最严格）:\n  - 仅用于已培训科室\n  - 所有输出必须有\"仅供参考\"标识\n  - 医生对最终诊断负全责\n  - 建立临床质控委员会\n  \n上线后监控（最高标准）:\n  - 每月临床质量评估\n  - 每季度多科室效果对比\n  - 持续不良事件监测\n  - 年度临床试验更新\n```\n\n**输出结果**：\n\n```yaml\n# 放行方案：医疗AI辅助诊断系统\n\n证据链汇总:\n  设计证据: ✅ 明确辅助定位\n  评估证据: ✅ AUC 0.94，临床试验通过\n  Shadow证据: ✅ 8周运行，无重大事故\n  医疗准入: ✅ 二类医疗器械认证\n\n放行边界（最保守）:\n  自动执行区: [影像预处理, 图像增强]\n  人工接管区: 全部诊断相关输出\n  禁用区: [独立诊断, 治疗方案, 预后判断]\n\ngo/no-go决策: ✅ GO - 严格条件放行\n\n生产要求:\n  使用前必备:\n    - 科室医生完成专项培训\n    - 患者签署知情同意书\n    - 质控委员会建立\n    \n  持续监控:\n    - 敏感性/特异性: 月度统计\n    - 医生采纳率: 实时监控\n    - 不良事件: 24小时内上报\n    - 质控委员会: 季度评审\n    \n  责任界定:\n    - 系统: 仅提供算法分析\n    - 医生: 对诊断结论负全部责任\n    - 医院: 建立投诉处理机制\n\n回滚方案:\n  触发条件:\n    - 重大漏诊/误诊事故\n    - 敏感性下降至<85%\n    - 监管合规问题\n    \n  回滚步骤:\n    1. 立即暂停系统使用\n    2. 通知所有使用科室\n    3. 启动医疗安全事件调查\n    4. 向监管部门报告\n    5. 修复后重新临床验证\n\n风险提示（医疗场景）:\n  ⚠️ 医疗风险不可逆，容错率极低\n  ⚠️ AI只是工具，不能替代医生专业判断\n  ⚠️ 持续收集临床反馈，迭代优化\n  ⚠️ 建立快速通道处理医生质疑\n```","tags":["audit","release","native","product","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native","ai-product","methodology"],"capabilities":["skill","source-gmaxxxie","skill-p9-audit-release","topic-agent-skills","topic-ai-agent","topic-ai-native","topic-ai-product","topic-methodology","topic-product-management","topic-product-methodology","topic-product-thinking","topic-skills"],"categories":["ai-native-product-agent-skills"],"synonyms":[],"warnings":[],"endpointUrl":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p9-audit-release","protocol":"skill","transport":"skills-sh","auth":{"type":"none","details":{"cli":"npx skills add gmaxxxie/ai-native-product-agent-skills","source_repo":"https://github.com/gmaxxxie/ai-native-product-agent-skills","install_from":"skills.sh"}},"qualityScore":"0.478","qualityRationale":"deterministic score 0.48 from registry signals: · indexed on github topic:agent-skills · 56 github stars · SKILL.md body (8,102 chars)","verified":false,"liveness":"unknown","lastLivenessCheck":null,"agentReviews":{"count":0,"score_avg":null,"cost_usd_avg":null,"success_rate":null,"latency_p50_ms":null,"narrative_summary":null,"summary_updated_at":null},"enrichmentModel":"deterministic:skill-github:v1","enrichmentVersion":1,"enrichedAt":"2026-05-18T18:57:34.659Z","embedding":null,"createdAt":"2026-05-01T01:03:02.547Z","updatedAt":"2026-05-18T18:57:34.659Z","lastSeenAt":"2026-05-18T18:57:34.659Z","tsv":"'+1.5':524 '-100':469 '-80':675 '/8':633 '0':468 '0.001':570 '0.01':352 '0.05':836 '0.94':742,878 '1':138,179,205,245,433,461,689,713,930 '10':614,661 '100':671 '18':534 '18个正确处理':284 '2':144,185,207,263,436,483,504,590,692,735,932 '2.8':777 '2000例真实患者影像':768 '20个边界案例':283 '24小时内上报':912 '25分钟':309 '2s':279,417 '2周':293 '2周运行':393 '2次':302 '3':152,190,209,286,438,506,694,759,934 '3.2':521 '30秒':691 '30秒内':619 '3s':751 '4':157,194,215,318,440,535,696,784,936 '4.2':774 '45分钟':307 '4周':513 '4周运行':636 '4小时内响应':703 '5':164,199,217,333,340,414,552,800,938 '50':376,412 '500万笔真实交易':515 '50ms':499,663 '50次真实故障':295 '55':298 '5分钟内':435 '6':172,219,361,579,817 '60':674 '7':223,599,848 '70':257 '8':227,492 '80':300 '80分':477,546,647,670 '82':782 '85':729,927 '87':519 '89':772 '8周':766 '8周运行':881 '90':612,659 '91':744 '92':490,631 '95':757 'ai':2,6,11 'ai-native-audit-releas':1 'aiop':231,234,239,385 'ai只是工具':944 'auc':877 'audit':4,25 'demograph':588 'fpr差异':589 'go':29,32,49,52,116,119,121,130,225,366,407,604,654,853,898 'go/no-go':191,221,362,405,600,652,849,896 'nativ':3,7,12 'no-go':30,50,117,128 'ood检测':558 'p95':416 'p95延迟':278,750 'p99延迟':498,662 'prompt':149 'releas':5 'shadow':20,40,46,87,89,96,183,211,213,287,290,507,510,760,763 'shadow证据':392,635,880 'skill':10,14,243,459,711 'skill-p9-audit-release' 'source-gmaxxxie' 'system':21,90 'topic-agent-skills' 'topic-ai-agent' 'topic-ai-native' 'topic-ai-product' 'topic-methodology' 'topic-product-management' 'topic-product-methodology' 'topic-product-thinking' 'topic-skills' 'yaml':289,364,383,509,602,622,762,851,870 '一致性':518,771 '上下文':167 '上仍需人工判断':316 '上线后必须持续监控的指标':196 '上线后监控':374,610,863 '上表现好':313 '下发生产要求和回滚方案':226 '不做拦截决策':470 '不做自动处置':252 '不同设备':755 '不得用于无人值守场景':373 '不替代医生':832 '不能做什么':61 '不能替代医生专业判断':945 '不良事件':911 '不适用于':445 '与专家诊断对比':770 '专家发现系统遗漏':776 '业务指标':526 '业务指标正向':637 '严格条件放行':854,899 '个人信息保护法':598 '中':578,825,833,847 '中风险交易':673 '临床价值':778 '临床准入':846 '临床审计':732 '临床数据支持':824 '临床试验通过':879 '临床验证':790 '二类医疗器械认证':884 '产品方法论':8 '人工复核':593,668 '人工复核机制':591 '人工接管':170 '人工接管区':107,188,326,399,544,645,809,890 '人工规则未覆盖':522 '什么情况下必须回退或交还给人':65 '仅作':719 '仅供参考':859 '仅处理':808 '仅建议模式':398 '仅提供算法分析':917 '仅用于已培训科室':857 '仅辅助':831 '仅限值班辅助场景':369 '仅限风险评分':467 '从0.15':528 '从15分钟降至10分钟':780 '从设计':38 '令牌消耗':160 '任务是否真的完成':141 '但不直接影响用户':93 '低':342,346,349,353,356,360,560,564,567,572,575,829,838,843 '低风险标记':542,644 '使用前必备':901 '使用场景':15 '使用方式':202 '供参考':371 '修复后重新临床验证':939 '修复后重新走审计流程':441 '做出':220 '允许自动执行的范围':35 '全部诊断相关输出':891 '全部输出':327,400 '全部通过':639 '全链路审计日志':355 '公平性':666 '公平性审计':586 '公平性指标持续监控':616 '公平性评估':502 '六类审计检查':334,553,818 '关键发现':310 '关闭ai建议开关':434 '决策':120,192,222,363,365,406,601,603,653,850,852,897 '冻结模型自动更新':695 '冻结账户':550,650 '准备上线':241 '分':676 '切换至备用规则引擎':690 '到运行准备的连续证据':41 '区域':320,537,802 '医生':918 '医生100':811 '医生培训':792 '医生对最终诊断负全责':861 '医生满意度':781 '医生采纳率':909 '医疗ai辅助诊断系统':872 '医疗准入':883 '医疗合规特殊审查':785 '医疗器械注册':788 '医疗器械认证':845 '医疗场景':941 '医疗辅助诊断系统审计放行':705 '医疗风险不可逆':942 '医院':920 '医院ai辅助诊断系统已完成开发':707 '单次':835 '单次评分':569 '单次调用':351 '参与科室医生100':793 '参数下稳定性':756 '参考':721 '反欺诈是持续对抗':699 '发现严重问题可5分钟内关闭ai建议':380 '可回退':105 '可接受':532 '可接受范围':525 '可解释性':679 '可追溯性':165,354,573,839 '可靠性':139,338,557,822 '各':587 '各群体fpr差异':503 '合规与治理':173,357,576,844 '合规特殊审查':580 '合规矩阵':638 '合规项':582,786 '同时收集系统输出和人工处理结果进行对比':94 '向监管部门报告':937 '吞吐':83 '启动医疗安全事件调查':935 '启动根因分析':439,697 '告警聚类82':270 '响应时间':415 '哪些动作允许自动执行':154 '哪些必须审批':155 '哪些高风险动作要彻底禁用':156 '回滚方案':200,262,427,683,922 '回滚步骤':432,688,929 '回答是否稳定':140 '回退到纯人工分诊流程':381 '回退机制不可靠':134 '回退机制可靠':125 '团队准备就绪':127 '团队未就绪':136 '图像增强':889 '场景描述':233,453,706 '均被工程师识别':303 '培训':794 '复核':672 '失败后果可控':104 '失败模式':62,253,471,723 '如何回滚':69 '如何审计':68 '如何监控':67 '如果':224 '如果出现问题如何快速回滚':201 '如果没有连续证据链':54 '季度评审':914 '它让系统在不影响用户的情况下接触真实世界':98 '安全与权限':145,343,561,826 '安全漏洞':431 '安全评估':77,273,494,746 '完成多中心临床试验':791 '完整':389,627 '定义放行边界':216 '定义漏诊':724 '定义误杀':472 '定期审计':424 '实时监控':657,910 '审批流':482 '审计放行':13,24 '审计放行就会退化成主观印象或形式化审批':55 '审计放行流程':43 '审计放行要审的六类问题':137 '审计放行阶段的实操':9 '审计记录是否保留':175 '审计项':335,554,819 '客服可查评分依据':682 '容错率极低':943 '对比结果':296,516,769 '对诊断结论负全部责任':919 '工具滥用':151 '工具调用':169 '工具链长度':161 '工程师采纳':421 '工程师需培训':447 '已定义5类失败及回退策略':254 '已知的失败类型和处理策略':63 '已经过充分验证':106 '已脱敏':345 '平均定位时间':305 '年度临床试验更新':868 '并发50':752 '幻觉率':339 '应急预案':198,379,617 '延迟':82,159 '延迟可接受':837 '延迟可控':571 '建立临床质控委员会':862 '建立复核sop和时效要求':678 '建立实时监控系统':609 '建立快速上报通道':449 '建立快速申诉通道':595 '建立快速通道处理医生质疑':948 '建立投诉处理机制':921 '建立黑产情报联动机制':701 '异常处理是否有明确流程':176 '异常建议及时反馈':450 '当前系统适用于':443 '当用户提供系统构建方案时':203 '影像':841 '影像预处理':806,888 '必须人工复核':478,547 '必须人工接管的范围和必须禁用的范围':36 '必须保留记录':418 '必须监控指标':410 '怎么做':315 '性能评估':81,277,497,749 '患者知情同意流程到位':796 '患者签署知情同意书':903 '情况':131 '成本':84 '成本与性能':158,350,568,834 '我们的':238 '我们的ai反欺诈系统准备好了':457 '我们的ai影像诊断辅助系统需要审计放行':710 '所有建议需工程师确认':328 '所有拦截决策必须人工确认':608 '所有诊断输出':810 '所有输出必须有':370,858 '执行六类审计检查':218 '执行流程':244,460,712 '执行边界':153,347,565,830 '把能力':26 '抽样复核10':677 '拒绝行为':422 '持续不良事件监测':867 '持续收集临床反馈':946 '持续监控':905 '控制措施':322,539,804 '提供top5特征贡献':585 '提供自然语言解释':681 '支持100并发':280 '支持10万tps':500 '收集设计证据':206 '收集评估证据':208 '放行方案':178,384,623,871 '放行条件':368,606,855 '放行边界':34,395,640,885 '放行边界判断':48,100 '放行边界图':186 '放行边界定义':319,536,801 '放行边界清晰':124 '故障分诊系统':386 '故障分诊系统已完成构建':235 '敏感度':743 '敏感性':906 '敏感性下降至':926 '数据保护':79 '数据已脱敏':275 '数据量':294,514,767 '数据隐私':596,827 '方案':291,511,764 '方案并收集':212 '无':324,397 '无越权':344 '无越权调用':274 '无重大事故':882 '无重大误诊事故':783 '无错误归因':341 '无需人工干预':543 '日均12起':531 '日志审计':260 '日志解释88':269 '时必须人工确认':258 '时必须医生确认':730 '明确ai辅助':798 '明确三个区域':101 '明确只做分诊建议':251 '明确只做建议':348 '明确的放行或拒绝决定':193 '明确禁止的功能':332 '明确辅助定位':875 '是否允许系统进入真实执行链路的组织级决定':33 '是否可能泄露敏感信息':146 '是否存在幻觉':142 '是否存在越权读取':147 '是否有工程师绕过确认直接执行':378 '是否有未识别的错误归因':377 '是否满足':267,487,739 '是否能复盘输入':166 '是审计放行的关键机制':91 '最严格':856 '最保守':886 '最终人工处理结果':423 '最终结果':171 '最高标准':864 '月度统计':908 '未经验证的新场景':113 '未造成误判':304 '权限边界':78 '条件':122 '条件放行':367,408,605,655 '标识':372,860 '样本测试':74 '核心概念':23 '案例召回75':271 '检查结果':336,555,583,787,820 '检查项':247,463,715 '模型可解释性':584 '模型异常时切换规则引擎':618 '模型版本':168 '模型监控':480 '模型防投毒':562 '模型防攻击测试通过':495 '模型预测分布异常':686 '欺诈损失率':527 '欺诈识别率':489,658 '欺诈识别率维持':611 '每周审查误判案例':425 '每周审计':667 '每季度多科室效果对比':866 '每日检测':665 '每月临床质量评估':865 '每月评估是否需调整边界':426 '每次故障的输入':419 '每笔交易评分原因可查':574 '每笔评分附带top5特征':680 '治理机制':66,259,479,731 '治疗方案':894 '治疗方案建议':815 '注入':150 '流程明确':359 '流量放大后是否失稳':163 '涉及合规或安全红线的操作':114 '涉及敏感操作':109 '渗透测试':80 '满足':272,501,753 '漏杀':473 '特别说明':698 '特异性':907 '特征工程':643 '特征漂移':664 '特征漂移三类失败':474 '特征漂移监控':615 '特征监控':481 '特征防泄露':563 '状态':248,464,716 '独立诊断':814,893 '理解ai建议的局限性':448 '生产要求':195,409,656,900 '生产要求下发':53 '用户输入':237,456,709 '病例':840 '病灶标记辅助':807 '病灶识别auc':741 '的价值在于':97 '的证据摘要':184 '监控体系就绪':126 '监控体系缺失':135 '监控告警':261 '监管合规问题':687,928 '直接拦截':549,649 '看什么':312 '知情同意':795 '确认':812 '示例':229,230 '示例2':451 '示例3':704 '禁用区':111,189,329,401,548,648,813,892 '科室医生完成专项培训':902 '稳定性':85 '立即暂停系统使用':931 '符合gdpr':597 '符合金融监管要求':577 '第一步':56 '第三步':86 '第二意见':720 '第二步':70 '第五步':115 '第四步':99 '系统':916 '系统不执行任何自动动作':325 '系统信心度不足的场景':110 '系统发现专家遗漏':773 '系统可以独立完成的任务':103 '系统在':311,314 '系统在真实环境中运行':92 '系统审计放行':232 '系统已开发完成':240 '系统建议采纳率':297 '系统无权执行':551 '系统构建已完成':16 '系统永远不输出':816 '系统能做什么':60 '系统设计是否清晰地定义了':58 '系统评分与人工规则对比':517 '系统识别新增风险':520 '系统辅助':308 '纯人工':306 '经复核确认':775 '结果':266,486,738 '置信度':256,728 '置信度不足三类':726 '置信度校准到位':559 '而不是单点结果':42 '能力范围':59 '能力范围定义':250,466,718 '能力评估':73,268,488,740 '自动修复':330,402 '自动切流':404 '自动处置':446 '自动执行':204 '自动执行区':102,187,323,396,540,641,805,887 '自动拒绝':651 '自动重启':331,403 '范围':321,538,803 '角色责任是否清晰':174 '触发条件':428,684,923 '设计':181,210 '设计证据':44,57,388,626,874 '设计证据收集':246,462,714 '访问控制到位':828 '证据':47,88,214,249,465,717 '证据和放行条件压缩到同一套判断机制中的阶段':28 '证据收集':288,508,761 '证据链':37 '证据链中断':132 '证据链汇总':180,387,625,873 '证明系统在真实数据上的表现':95 '评估':39,182 '评估类型':265,485,737 '评估结果是否充分':72 '评估证据':45,71,390,629,876 '评估证据收集':264,484,736 '评分与决策分离':566,628 '识别率':632 '诊断责任归医生':799 '误判导致生产事故':429 '误判率':413 '误报':634 '误报增量':523 '误报率':491,660 '误报率维持':613 '误杀投诉':530 '误杀投诉处理时效':702 '误杀激增时启动白名单机制':620 '误杀率超过15':685 '误杀申诉':594 '误诊':725 '误诊事故':925 '责任清晰':358 '责任界定':734,797,915 '质控委员会':913 '质控委员会建立':904 '质控流程':733 '超出系统能力范围的任务':112 '越权调用':148 '辅助判断':444 '辅助参考价值率':299 '输出':420 '输出全记录':842 '输出放行方案':228 '输出物':177 '输出结果':382,621,869 '边界不清晰':133 '边界条件':64,255,475,727 '边界测试':75,282 '达标':285,493,745 '运行周期':292,512,765 '连续证据链完整':123 '迭代优化':947 '通知值班团队':437 '通知所有使用科室':933 '通知风控团队':693 '通过':276,281,391,496,505,630,748,758 '通过二类医疗器械认证':789 '通过医疗器械软件安全测试':747 '采纳率':411 '采纳率55':394 '采纳率持续低于40':430 '采纳率是否维持':375 '重大漏诊':924 '重试策略是否可控':162 '金融场景':581 '金融风控反欺诈系统':624 '金融风控反欺诈系统审计放行':452 '金融风控反欺诈系统已完成构建':454 '错误归因或不一致输出':143 '错误归因数':301 '长尾测试':76 '阅片时间':779 '阈值':197 '降至0.08':529 '需定期模型更新':700 '需审计决定是否可投入临床辅助使用':708 '需审计决定是否可投入生产环境进行实时交易风险评估':455 '需要判断能否进入生产环境':17 '需要审计放行':458 '需要审计是否可进入生产环境':236 '需要建立审计放行的证据链和决策机制':18 '需要设计':19 '需要进行审计放行':242 '非诊断结论':722 '预后判断':895 '风险':27 '风险提示':442,940 '风险等级':337,556,821 '风险评分仅作辅助参考':607 '风险评分计算':541,642 '验证系统在真实环境中的表现':22 '高约束设计有效避免了错误放大':317 '高风险100':592 '高风险交易':476,545,646,669 '高风险交易人工复核率':533 '高风险任务':108 '鲁棒性':754 '鲁棒性验证通过':823","prices":[{"id":"36a6dd4d-8e82-49e9-a47d-b4501c85e2bc","listingId":"996d8804-bfd2-47f6-96db-463155d7ba4e","amountUsd":"0","unit":"free","nativeCurrency":null,"nativeAmount":null,"chain":null,"payTo":null,"paymentMethod":"skill-free","isPrimary":true,"details":{"org":"gmaxxxie","category":"ai-native-product-agent-skills","install_from":"skills.sh"},"createdAt":"2026-05-01T01:03:02.547Z"}],"sources":[{"listingId":"996d8804-bfd2-47f6-96db-463155d7ba4e","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/p9-audit-release","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p9-audit-release","isPrimary":false,"firstSeenAt":"2026-05-01T01:03:02.547Z","lastSeenAt":"2026-05-18T18:57:34.659Z"}],"details":{"listingId":"996d8804-bfd2-47f6-96db-463155d7ba4e","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"p9-audit-release","github":{"repo":"gmaxxxie/ai-native-product-agent-skills","stars":56,"topics":["agent-skills","ai-agent","ai-native","ai-product","methodology","product-management","product-methodology","product-thinking","skills"],"license":null,"html_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills","pushed_at":"2026-05-06T07:19:36Z","description":"AI Native Product Methodology — 80 executable skills across P0-P14 stages, covering needs discovery to aesthetic authority. From 8 books.","skill_md_sha":"ce0d3fd195fe6a65fec429470005177a98b9db87","skill_md_path":"skills/p9-audit-release/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p9-audit-release"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"name":"ai-native-audit-release","description":"'AI Native 产品方法论——审计放行阶段的实操 Skill。"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p9-audit-release"},"updatedAt":"2026-05-18T18:57:34.659Z"}}